数据与产业集群测量方式

4.3　数据与产业集群测量方式

我们利用中国1995年的工业普查和2004年经济普查的数据进行实证分析。表4.1和表4.2展现了全国工业产出的基本情况，分别以地区和工业类别进行统计。表4.3对比了我们的数据样本与1995年和2004年国家公布的统计数据。如表所示，我们的数据包含了这两年中所有的工业企业。与以前对中国工业化模式研究所用的数据相比（Young，2000；Bai et al.，2004；Wen，2004；Zhang ＆ Tan，2007），我们的数据涵盖面更广，包括了所有的工业企业（不仅仅是规模以上企业）。

表4.1　以行业划分的工业总产出基本描述

续表

注：工业总产出以当期价格计算（单位：千元）。

表4.2　以地区划分的工业总产出基本描述

续表

注：工业总产出以当期价格计算（单位：千元）。

表4.3　样本情况比较

注：《中国统计年鉴》中的工业总产出来源于1996和2005年的《中国统计年鉴》；然而，2005年《中国统计年鉴》中的数据并未包括非国有小企业，因此2004年的样本数据要高于《中国统计年鉴》的数据。

由于本章的数据属于企业一级，因而我们能够计算任何类别的产业集群程度，比如分镇、县或者省的地区性产业集群程度，以及2位、3位或4位数行业水平的集群程度。为了便于分析，我们选择分县和以4位数中国行业标准（CIC）来衡量产业集群程度，因为县作为地区性行政单位在中国财政和税收方面发挥着关键性的作用。但是，为了进行稳健性检验，我们同样也会以省和3位数、2位数的产业集群程度对比分析。构造产业集群的测量方式时，我们首先需要合并地区和行业水平的企业，并将其作为基本分析单位。

中国在2002年修改了行业标准体系（从GB1994到GB2002）。因此，研究1995年和2004年之间的变化时，我们首先需要根据中国颁布的行业标准进行调整。如果一些行业标准在2002年颁布的标准体系中变得更分散，那我们将采取1994年的标准；相反，如果2002年颁布的标准体系更为集中，那么我们就采取2002年的标准。也就是说，我们将用更为集中式的行业标准来比较和分类1995年和2004年的工业企业。在1995—2004年的两轮普查中，有一些县的地域被重新划分了，另外还有一些县的名字也变更了。我们仔细核对，并衔接了这两段时间内的所有地区。

传统测量产业集群程度的方式主要基于地区和行业的划分，常常以市场份额划分的大企业数目（比如3家）作为某地区或行业的聚集度。这种衡量方式的优点是可以很轻松地计算和理解，但是当企业的分布很分散时，大量的企业就被忽略了。为了克服这个问题，GINI系数常常被用来计算某地区行业内所有企业的产出或工人数变化率。Krugman（1991）通过考虑某地区内某一行业的人均产出与某地区所有行业的人均产出之间的差异来修正GINI系数。

然而，这些集群测量方式并不能区分以下两种产业集群的差异：一种是某地区只有少量的大企业，它们之间缺乏联系；另外一种是大量各种规模的企业混杂在一起，并有密切的联络。第一种产业集群主要是像底特律这样的汽车工业城市，第二种产业集群则更符合中国沿海地区所观察到的现象，成千上万的各种规模的企业集中在一个人口密集的小区域内，它们之间通过生产链条被紧密地联系在一起。

第二种产业集群更符合Porter所描述的产业集群的特征，即在特定的地区内，大量的企业在地理上相互靠近，并且有密切的联系（Porter，2000）。尽管这个概念非常容易理解，但企业之间相互联系的测量却是十分困难的。据我们所知，目前还没有相关的研究来对此进行刻画，除了在一些案例研究里面，可以通过企业提供的与其他企业交往的详细信息来观察它们之间的联系。

但是，这些详细的企业交往的信息对本章这样大规模的调查显然是不可能的。因而，我们需要更谨慎地去寻找其他的方式来刻画企业之间的联系。在描述集群的主要特征时，Porter谈道，“包括各种投入要素的供应商，比如原材料、机械和各种基础性的服务。集群还扩展到消费者以及一些附属产品的制造商，或者一些与技术、普通投入要素相关的公司”（Porter，2000）。此外，Porter还强调了地理上聚集带来一个重要好处是集群内能够共享技术、知识、投入要素和制度。许多研究也发现不同行业之间的技术衔接是技术创新的重要动力（Scherer，1982；Feldman ＆ Audresch，1999）。

以上阐述说明了如何去测量Porter所定义的集群内企业间的相互联系。假如不同企业生产着相似的产品，那它们很可能在生产过程中用到相似的投入要素，依赖相同的供应商和客户，这样它们就可能通过技术和其他的投入要素在相互之间产生了联系。因此，产业间产品的相关性能够被用来作为产业集群的测量方式之一。

由Hausmann和Klinger（2006）研究得到的最新结果能够让我们去测量以上所讨论的产业集群内的相互关系。Hausman和Klinger（2006）构建了所有4位数的国际贸易标准分类产品的相似矩阵，任何两种产品之间的相关系数能够捕捉到它们之间的如下意义：如果两种产品的生产需要相同的投入要素，很可能这个国家在两种产品的生产上都具有比较优势，而且两种产品具有高度的相关性。换言之，如果我们有所有国家之间产品交易的贸易数据，我们就能够计算一个国家同时在一系列产品上拥有比较优势的概率，并能够测量两种产品在投入和其他方面的紧密联系程度。

具体而言，Hausmann和Klinger提出了两种产品i和j之间的相关系数计算公式：P_i，j＝min｛P（x_i｜x_j），P（x_j｜x_i）｝，当x_i＝1时，表示一个国家在产品i的生产上具有显示性比较优势，0则相反。条件概率P（x_i｜x_j），P（x_j｜x_i）根据所有国家的贸易数据计算得到。

为了获得对这个公式直观的认识，假设两种产品是鸵鸟肉（产品i）和金属矿石（产品j），一些国家，比如澳大利亚，同时出口这两种产品。这个公式意味着：如果在给定鸵鸟肉出口率时，一个国家的金属矿石出口率很大；而在给定金属矿石出口率时，该国的鸵鸟肉出口率却十分低。尽管澳大利亚两种产品都出口，但是智利、秘鲁和赞比亚只出口矿石，而不出口鸵鸟肉。那么，鸵鸟肉和金属矿石之间的相关性就很低，因为公式只取两种条件概率中较小的一个。因此，这个公式相对于单独的P（x_i｜x_j）或P（x_j｜x_i）来说，更能反映问题。

这种相关性的测量方式同时也掩盖了两种产品相似的程度，一个可替代的方式是采用联合概率P（x_i∩x_j），但是Hausmann和Klinger以如下原因反对：考虑鸵鸟肉和鸵鸟蛋的例子，两种产品有高度的相关性，因为每个国家既出口鸵鸟肉也出口鸵鸟蛋。但是假如世界上只有三个国家出口这两种产品，那么联合概率对于任何一个国家来说都将非常小（Hausmann ＆ Klinger，2006）。利用联合概率去测量相关性的问题在于它包含了两种产品之间的相似程度，也包括了在世界其他地区的普及程度。

由于那些基于相同比较优势的产品常常一起出口，两种产品之间的相关性就刻画了它们在生产过程中的相似程度，比如需要那些基本的生产初始条件和生产设备。企业在生产这些产品时，常常通过不同的方式发生联系，包括利用相似的投入品（原材料、劳动力以及机械设备）、相似的技术，甚至是依靠相同的供应商和市场条件。因此，Hausmann-Klinger测量的工业产品之间的相近度比波特意义上的相关性包含了更多的内容。所以，这种相关性的测量能够被用来展现某个地区内工业之间和企业之间存在着的密切联系的程度。

相关性作为行业企业相互联系的测量方式还有一些其他的优点：（1）基于所有国家进出口比率信息的这种代表生产技术性质的测量方式，能够被应用于所有的国家；（2）取两种条件概率中较小的一方，这是一对称性的测量；（3）通过集中关注于产品i的显示性比较优势，这种测量方式能够捕捉到所有重要的出口特征；（4）通过计算两年（如1998年和2000年）的平均相关性，Hausmann-Klinger相关矩阵随时间被整合的更为稳定。

我们首先从Hausmann和Klinger（2006）构造的产品相关矩阵着手，因为相关矩阵是在四位数的国际贸易标准分类水平上计算的。我们首先需要根据中国统计局和欧洲以及联合国公布的统计手册将中国工业分类标准转变成国际工业标准类别（ISIC），然后再转变为国际贸易标准分类。中国工业分类标准体系和国际工业标准类别体系都是工业类的标准，而国际贸易标准分类体系是按产品分类。很多情况是一个行业不仅仅只生产一种产品，因此我们给予每种产品相同的权重（总和等于1）。具体如下：（1）在前面所设定的单位水平上计算产出、资产和雇工人数的总和；（2）根据中国统计局和欧洲以及联合国公布的统计手册将中国工业分类标准转化为国际工业标准类别和国际贸易标准分类；（3）对于每一个产业，利用Hausmenn-Klinger产品相关矩阵计算同一个地区内其他产业与它的平均相关性，这能够让我们得到不同产品之间的相关性，并且在计算过程中使用每个产业的规模作为其权重；（4）最后，每个地区的平均产业相关度被计算作为该地区内所有产业的平均相关性，以每个产业的规模作为权重。

产业相关度的测量可以基于资本、雇工人数或产出。换言之，反映各个行业规模的权重可以是资本、雇工人数和产出。通过这些测量，它们可能会展现出不同的产业集群特征。假定一个地区有三种产业：钢铁、汽车和橡胶。从直觉上看，汽车产业可能与钢铁和橡胶行业有更高的相近性，其他两者之间的相关性可能很低。现在假设这个地区汽车产业得到了很好的发展。如前面所讨论的，我们能够得到汽车产业的平均相关度没有改变，因为其他两种行业并没有发生变化。但是整个地区内的平均产业相关度却提升了，因为汽车工业与其他两种工业的紧密相关，汽车工业的增长带动了整体的相关性提升。现在来考虑权重的问题，如果汽车产业的产出与其他两个产业的情况紧密相连，那么如果用产出作为权重，不同产业之间的内在联系就能清晰地反映在相关度上。同样，相关度的测量用资产或者雇工人数作为权重也是相同的道理。

这三种产业相关度测量了不同的内在联系，也反映了不同的集群效应。Marshall（1992）描述了集群的三种不同优势：劳动力市场、原材料供应和技术外溢效应。大量的技术人员进入一个地区能够去交流知识、技术和信息。此外，聚集在一起，企业能够更方便去获得原材料和公共服务。大量的企业聚集在一起，所需要的原材料又比较相近，这就创造了规模效应，使企业更容易获利。最后，集群导致更快地传播和应用新的思想。尽管这三个优势产生多方面的影响，但以产出为权重的相关度可能更有助于产生技术的外溢效应，因为在同一个地区某一个产业的产品可以应用到其他产业的生产中。以雇工人数为权重的相关性更多的是表现了劳动力市场的特征；以资本为权重的相关性主要表现了原料供应方面的特征，尤其是资本品。这些聚集效应都促进了企业获得更高的生产率。

此外，本章中还强调了另一个以前尚未注意到的聚集效应，即对企业融资方面的影响。我们认为工业的集群化发展能够通过两种方式缓解企业在资金方面的壁垒：（1）集群内企业之间细致的分工降低了企业的资金需求；（2）集群内企业之间的商业信用减少了外部性的融资需要。资金往来在整个生产过程中广泛地发生，包括劳动力雇佣、资本购买以及产品销售，我们认为这三种产业相关度在帮助企业克服资金壁垒方面起了关键作用。

利用以上讨论的产业相关度测量方式，我们发现在每个地区内，从1995年到2004年产业之间的相关度大幅提高^[2]。表4.4展现了1995年和2004年中国每一个省基于产出的产业相关度。如图4.1和图4.2所示，县一级的数据表明在2004年各个地区之间有高度的产业相关性。

表4.4　地区的专业化与产业相关度（产出）

注：***表示在1％的统计水平上显著。

图4.1　地区和地级市的产业相关度

图4.2　县级的产业相关度